基于移动心电与皮肤电数据的压力分类
计算机与社会
2023-06-09 v2 机器学习
系统与控制
系统与控制
摘要
在医疗健康领域，检测压力并让个体监测其心理健康与幸福感颇具挑战。可穿戴技术的进步如今已实现生理数据的连续采集。这些数据可通过心理生理学分析揭示心理健康与行为状态。然而，由于所采集数据量庞大，需进行自动化分析以提供及时结果。机器学习在受控实验室环境下为健康应用提供生理数据自动分类已展现出效能。但移动式非受控环境带来了额外挑战，需进一步建模以克服。本工作通过实证评估了多种利用机器学习分类器、基于移动场景下记录且带自我报告压力标注的生理数据来检测压力的方法。SMILE 数据集训练部分的一个子集可在提交前对方法进行评估。最优压力检测方法采用 ExtraTrees 分类器与特征填补方法，取得了 90.77% 的分类准确率、91.24 的 F1 分数、90.42 的灵敏度和 91.08 的特异度。与此同时，在挑战数据上的准确率明显更低，为 59.23%（BEaTS-MTU 提交的 #54，用户名 ZacDair）。本工作探讨了性能差异的成因。
引用
@article{arxiv.2208.04705,
title = {Classification of Stress via Ambulatory ECG and GSR Data},
author = {Zachary Dair and Muhammad Muneeb Saad and Urja Pawar and Samantha Dockray and Ruairi O'Reilly},
journal= {arXiv preprint arXiv:2208.04705},
year = {2023}
}
备注
Associated Code to enable reproducible experimental work - https://github.com/ZacDair/EMBC_Release SMILE dataset provided by Computational Wellbeing Group (COMPWELL) https://compwell.rice.edu/workshops/embc2022/dataset - https://compwell.rice.edu/